Diagnostic Test Meta-analysis (SROC)
mada/metandi.Pool multiple diagnostic-accuracy studies: pooled sensitivity and specificity (random effects), diagnostic odds ratio DOR, and an SROC curve showing the threshold effect. Just enter each study's 2×2 counts. Calcul local dans le navigateur ; aucune donnée n'est envoyée.
① 2×2 counts per study
One study per row, four columns in order: TP (true positive) FP (false positive) FN (false negative) TN (true negative). At least 3 studies.
Mode d'emploi et méthodologie
Pourquoi une méta-analyse diagnostique ne peut-elle pas simplement pooler l'AUC ?
Dans les études diagnostiques, sensibilité et spécificité sont négativement corrélées à cause des seuils différents (effet seuil) ; les pooler séparément biaise. Elles doivent être modélisées conjointement (bivarié/HSROC) ou via une courbe SROC.
Comment lire la courbe SROC ?
Elle trace l'exactitude selon les seuils dans l'espace « 1−spécificité vs sensibilité » — plus elle est proche du coin supérieur gauche, mieux c'est. Les points d'études s'éparpillent autour de la courbe ; plus la courbe et le point opératoire poolé sont proches du coin idéal, meilleure est la performance globale.
Que signifie un I² élevé ?
I² reflète l'hétérogénéité inter-études. Courant en méta-analyse diagnostique (populations, seuils, références différents). Si I² est élevé, interprétez les valeurs poolées avec prudence et explorez les sources d'hétérogénéité.
Diffère-t-elle beaucoup du modèle de référence ?
Moses-Littenberg est une méthode classique en forme fermée — intuitive et facile à calculer — mais moins robuste que le modèle bivarié/HSROC lorsque les études sont peu nombreuses ou l'effet seuil fort. Pour des conclusions clés, préférez le modèle bivarié si possible.
Collez le lien dans Slack, Teams, X ou LinkedIn — l’aperçu utilise la carte Open Graph de cette page.